2026, Vol. 46
2. 青岛海洋气象研究中心, 青岛市气象局, 山东 青岛 266404;
3. 中国气象局大气化学重点开放实验室, 中国气象科学研究院, 北京 100081;
4. 灾害天气科学与技术全国重点实验室, 中国气象科学研究院, 北京 100081;
5. 天津市滨海新区气象局, 天津 300457;
6. 青岛恒星科技学院, 山东 青岛 266100
2. Qingdao Research Center of Marine Meteorology, Qingdao Meteorological Service, Qingdao 266404, China;
3. Key Laboratory of Atmospheric Chemistry of CMA, Chinese Academy of Meteorological Sciences, Beijing 100081, China;
4. State Key Laboratory of Severe Weather Meteorological Science and Technology, Chinese Academy of Meteorological Sciences, Beijing 100081, China;
5. Binhai New Area Meteorological Service of Tianjin, Tianjin 300457, China;
6. Qingdao Hengxing University of Science and Technology, Qingdao 266100, China
海雾是指在海洋环境影响下，发生在海上或沿海区域大气边界层内的水汽凝结现象[1]。由于海雾造成的能见度低于1 km，对其所在区域的海上渔业、交通输运、港口作业以及军事活动等造成了严重影响。据不完全统计，在以往的海洋事故统计中，超过50%的海上事故与海雾有关[2-5]。此外，海雾还能吸附空气中的大量污染物，对人类健康构成潜在危害。鉴于此，深入研究海雾的生消机理以及微物理化学特征，不仅有助于加深对海雾现象的理解，还能有效提升卫星反演海雾和海雾预报的准确性。这对保障海上与沿海区域活动安全，降低海雾对生活和军事活动的不利影响，具有重要的实践价值和深远意义。
我国的海雾研究始于20世纪60—70年代。在这领域的研究成果中，王彬华[1]于1983年出版的《海雾》具有里程碑意义，该书作为世界首部海雾研究专著，基于沿岸、岛屿及船舶等观测资料，系统阐述了我国海雾的分类、分布与变化特征、物理性质及预报方法。从研究总结与综述来看，有研究[6]总结了1958年以来我国40余年在人工消雾、雾的物理化学性质、雾生消物理过程等领域的研究成就，同时介绍了雾与生态环境的关系及雾的数值模拟成果；另有综述[3]从海雾天气气候学、数值模拟、卫星遥感实时监测技术及微物理研究4个维度展开，绘制我国近岸年雾日频数图与逐月雾日频数图，明确我国海雾具有显著季节性，且雾日最多的月份呈现由南向北逐渐推迟的特征。在研究回顾与关键问题探讨方面，有研究[7]对1985—2015年期间我国海雾研究的重要突破进行全面回顾，重点分析了青岛、华南沿海和福建等典型区域的海雾过程，深入探讨了海雾微物理特征、海雾-层云转化机制以及数值模拟技术等关键科学问题。还有研究[8]进一步表明，我国不同海域的海雾呈现显著区域差异：南海海雾雾滴数浓度最高，东海海雾含水量和雾滴粒径最大，而黄海海雾的雾滴数浓度、含水量和雾滴粒径均最小。
海雾是海洋和大气相互作用的结果，根据其形成特征可以分为平流雾、混合雾、辐射雾和地形雾等[1, 7]。为系统揭示海雾生消规律，当前研究主要采用的观测方式有岸基观测、海基观测、空基观测和天基观测。岸基观测通常在沿海固定站点开展，是一种综合性的观测方式。其中，前向散射能见度仪被用于能见度监测[9-10]；雾滴谱仪、空气动力学粒径谱仪、扫描电迁移率粒径谱仪、雾水采样器和质谱仪等仪器则用于观测微物理和化学特征[11-16]；毫米波雷达、风廓线雷达和微波辐射计等仪器多用于观测边界层结构特征[9, 17-20]；而自动气象站则负责监测常规气象要素，如温度、湿度、气压和风速等[19, 21]。海基观测，是把观测仪器布在海面或海上平台，直接捕捉海雾期间的海洋-大气界面与边界层信息，主要包括海洋气象浮标观测海面温度、湿度、气压、风向风速、能见度等气象要素[22-23]；船舶自动站和船载雷达观测海上能见度和边界层结构特征等变量[24-25]；海岛梯度塔观测不同高度的温度、湿度、风向风速等变量[23, 26]。空基观测通常是通过在航空器或低空观测平台上搭载专业的观测仪器，对海雾的垂直结构、微物理特性以及其生成与消散过程进行直接监测，低空观测平台主要包括飞机和无人机等[27]。天基观测通常是指利用卫星遥感技术，通过搭载在卫星上的传感器对海雾进行大范围、连续性的监测和分析，其中双通道差值法和阈值法是最常用的反演方法[28-37]。黄海作为我国海雾发生频率最高的区域之一[3, 38-42]，大都集中在春夏季(4—7月)[42-43]，这一时期黄海海雾有范围广、频率高和持续时间长的特点[44]。
尽管黄海海域的海雾研究相对较多，但现有研究多聚焦于单一维度，如形成机制、气候特征或微物理化学过程等，缺乏系统的观测综合论述，且海雾期间气溶胶观测数据匮乏，这直接限制了对海雾生消机理的深入理解，也导致数值预报模式中微物理过程参数化、AI预报模型的特征提取缺乏精准实测支撑。基于此，本文的出发点与目的明确为：一方面，从定点观测(边界层和微物理化学特征观测)及大面观测(卫星遥感观测)两个维度，系统梳理黄海海雾观测的研究进展，明晰当前观测体系的优势与不足；另一方面，针对气溶胶观测数据匮乏的问题，设计海雾微物理化学特征观测试验，重点探究海雾生消过程中气溶胶的演变规律，为海雾机理研究提供基础数据，进而为海雾预报(包括数值预报、AI预报等)的精度提升提供实测数据支撑。
1 海雾的定点观测 1.1 边界层结构特征观测我国海雾监测技术经历了从传统人工观测到现代仪器观测的转型。早期依赖人工目测，受海上参照物稀少和主观因素影响，数据准确性有限。近年来，随着岸基和海基观测技术的发展，毫米波雷达、激光雷达、前向散射能见度仪等设备的应用显著提升了海雾边界层结构探测和能见度反演的精度。
在海雾边界层结构特征探测方面，相关研究已通过多种观测手段取得系列进展。针对毫米波雷达的应用研究显示，其可有效获取海雾的垂直分布、内部强度变化及生消过程特征[9]；即便在港区复杂环境下仍具优势，且其反演的能见度与实测值相关性较好[17]；同时观测发现，毫米波雷达反射率因子与能见度呈负相关，但该相关性在不同海雾过程中存在差异[18]。还有研究[26]通过能见度仪、风廓线雷达及边界层气象要素梯度观测塔等多设备，对2011年2月23—24日持续约15 h的浓雾进行联合观测，揭示了海雾形成与维持的关键气象条件，即偏东南暖湿气流提供的充足水汽与稳定逆温层结是重要基础，海雾多分布于270 m以下高度，而特定高度的下沉运动形成的近似等温或弱逆温层，会阻碍上下层空气交换，利于低层高湿环境的维持。对海雾边界层数据的分析进一步指出，热湍流界面高度通常在180~380 m，海雾顶部的发展与水汽水平输送、雾顶长波辐射及垂向湍流移动相关[45]。此外，不同海域海雾形成的边界层机制存在差异，如渤海海雾与低层逆温、高湿环境密切相关，逆温层抬升及顶部干暖盖效应会促进近海面暖湿空气积聚，稳定层结与湿度增加则利于海雾持续[46]；北极海域中，冷高压驱动的下沉气流通过降低逆温层高度，可促使低云转化为海雾(能见度小于1 km)[24]。
黄海海域的海雾边界层结构研究已积累一定实践成果。基于观测数据的分析表明，海雾发生时近地表200 m高度常存在显著逆温层，层内相对湿度达最大值，雾顶高度多与此接近[25]。其发生频率的季节特征也得到明确，每年4—7月发生频率最高，这与4月后海面上方100~350 m处逆温层的形成及盛行风向由西风转南风密切相关[42]。针对雾厚与层结的关系研究发现，夏季大气边界层若无强逆温，则利于湍流发展，且因水汽充足易形成较厚海雾(可达500 m)[47]。而关于海雾维持与消散的机制，对比观测显示，边界层内稳定的逆温层结构及水汽“上干下湿”的垂直分布是维持关键，雾顶长波辐射冷却与适度湍流可促进海雾发展，但低层风速增大引发的强湍流则会导致其消散[48]；同时，逆温层还会抑制低层水汽蒸发，水汽输送常以逆温层为分界[49]。此外，海雾过程与周边天气系统的关联也被揭示，如黄海上空天气尺度下沉运动会增强海洋大气边界层层结稳定性，促使边界层顶自南向北降低，进而推动水汽向北输送时向海面聚集，下沉形成的干层及逆温层对海雾发生发展也有重要作用[50]。这些观测成果与海雾预报存在直接关联：边界层内逆温层高度、湍流强度等实测数据，可直接用于优化数值预报模式中的边界层过程参数化方案。当前黄海海雾研究虽已明确逆温层高度、雾顶长波冷却、湍流强度等关键影响机制，但观测手段仍以岸基探空、单点雷达等为主，岸基-海基-空基-天基立体协同观测研究相对稀缺，这一短板亟待在后续研究中弥补。
1.2 微物理化学特征观测雾的微物理特征在雾的研究中至关重要，其微物理过程包括活化和扩散增长、辐射冷却致雾滴生长、湍流混合及重力沉降等。然而，由于这些过程复杂且观测数据有限，深入研究雾的微物理特征有重要意义。这不仅有助于优化数值模式中的微物理参数化方案，还能对其他相关领域研究产生积极影响。
当前，陆地雾微物理特征观测成果[51-60]丰硕，相比之下，海雾微物理特征观测研究较为匮乏，仅在青岛、舟山和茂名等地开展过一些观测工作[11-13]。这些观测聚焦雾滴粒径分布、数浓度和液态含水量等微物理量的变化，并建立了消光系数与能见度的简单线性关系。黄海海雾微物理结构观测起步较早，1980年5月对青岛近海两次海雾的初步观测，发现雾滴直径主要集中在6~48 μm，雾滴数浓度介于0.6~42.9 cm-3[61]；1993年6—7月在青岛小麦岛的观测进一步得到，雾滴数浓度范围为8.2~248.9 cm-3，且消光系数与能见度呈线性关系，能见度与液态含水量相关性较好[11]；2008年7月对黄海海雾的观测还指出，空气比湿持续上升是1 μm以上粗粒子数浓度增加的主因，且低能见度出现时间与1~5 μm粒子浓度的关联度最高，二者变化基本同步[62]。尽管黄海海雾的微物理观测起步较早，但近年来关于黄海海雾微物理特征缺乏系统观测，亟需进一步加强。
雾滴的生长受气溶胶物理化学特性的影响，其数浓度很大程度上取决于那些能够活化为凝结核的气溶胶颗粒物数量[63]。一方面，气溶胶颗粒物作为凝结核可促进雾的形成，尤其是海盐气溶胶，其对雾微物理结构的影响与水汽条件密切相关[64-65]；另一方面，过量气溶胶颗粒物会加剧水汽竞争，产生更多小液滴，吸收长波辐射削弱夜间辐射，从而抑制雾的形成[66]。相关观测也印证了这一复杂关系，如南印度洋的海雾观测发现，雾形成前1~2 h气溶胶颗粒物数浓度开始下降(粗粒子降幅更明显)，雾前20 min维持低位，雾前10~20 min则骤增1~2个数量级，雾形成后各粒径段数浓度逐渐降低直至雾消散[14]；北太平洋西北部的海雾观测还显示，海雾对粗颗粒(d>0.5 μm)的清除效率高于细颗粒(d＜0.5 μm)，且随海雾持续时间延长，人为离子(硝酸盐、硫酸盐、铵离子)浓度会降低[67]。此外，海雾微物理特征观测数据是连接基础研究与预报应用的关键：雾滴数浓度、液态含水量等实测值，可直接验证并优化数值模式的微物理参数化方案；气溶胶与雾滴的相互作用数据可为模式提供校准数据。当前，黄海海雾期间大气气溶胶的变化特征研究仍存在明显不足，亟待通过补充观测数据，深入揭示海雾期间气溶胶的特征规律。
由于大气中的污染气体与气溶胶颗粒物可通过物理和化学作用融入雾滴，改变雾水的化学组成，故雾水的化学成分在一定程度上可以反映该地区的污染状况[68]。pH值、电导率和离子浓度是表征雾水特性的3个关键参数[7]，我国许多学者已对雾水化学成分进行大量研究[15, 69-76]，具体成果如表 1所示。从已有研究看，雾水中主要无机离子包括F-、Cl-、NO3-、SO42-、K+、Ca2+、Na+、Mg2+和NH4+等，且不同区域雾水化学特征差异明显：海岛和海上观测站(如湛江东海岛、南海)的雾水中Na+和Cl-浓度高，电导率大，表明雾水中溶解了大量气溶胶颗粒物[15, 76]；内陆站点(如云南景洪)富含地壳元素，NH4+和Ca2+浓度较高[72]；受人为活动影响小的地区(如庐山、黄山)雾水离子浓度和电导率较低[74-75]。城市雾水离子浓度显著高于乡村，重庆、南京、上海和广州城市阴离子以SO42-为主，阳离子以Ca2+或NH4+为主[69-73]。雾水化学特征受多种因素的共同影响[77]，如短路径气团易受局地环境影响，对应离子沉降值较高，而源自东部洋面的气团离子沉降值最低；雾滴形成后，污染气体与气溶胶颗粒物的持续溶入过程受雾滴总表面积制约，表面积越大，离子溶解量越高[78]。基于此，已有研究[70]建议用雾滴表面积与液态含水量的比值衡量雾滴对污染物的清除能力。同时，雾水化学特征观测也具有预报价值，可通过雾水化学-气团来源的关联，反推雾区气团轨迹，进而改进AI预报。
|
表 1 不同地区雾水中的pH值、电导率EC和雾水中的各种离子浓度 Table 1 The pH, electrical conductivity and ion concentrations in fog water in different regions |
当前雾水化学特征研究主要集中于内陆，海雾雾水研究较少，黄海海雾雾水的观测则更为稀缺。虽有研究[79]在1991年6—7月对青岛海滨区、居民区和工业区的海雾雾水采样分析发现，海滨区雾水Cl-浓度高达107.13 mg ·L-1，其浓度分布与海岸线基本一致，且Cl-占比呈现海滨区>工业区>居民区的特征。但此后黄海海雾化学特征的研究进展有限，难以评估当前人为排放与海盐混合所产生的影响，故下一步需加强对海雾雾水离子的观测研究。
2 海雾的大面观测 2.1 卫星遥感观测随着气象观测需求的不断提升，传统的岸基观测站和固定路线移动观测因其受地理条件限制，对海洋上空长时间、大范围连续监测的局限性日益凸显。在此背景下，卫星遥感技术凭借其覆盖面广、时间分辨率高、客观真实性强以及成本投入低等优势[37]，逐渐成为海雾监测的重要手段[80]。这些优势使得卫星遥感自20世纪70年代开始就被应用于海雾探测领域，常用的卫星数据来自静止轨道卫星(GOES系列、GMS-5、MTSAT、葵花系列、COMS、风云系列)和极轨卫星(NOAA系列、Aqua、Terra和CALIPSO)等[81]。
1973年，Hunt[82]发现3.7 μm波段散射特性可有效反映低云和雾的特性。基于此，Eyre等[83]利用NOAA/AVHRR卫星的3.7 μm中红外和11 μm热红外通道的亮温差阈值(双通道差值法)，实现了夜间大雾的个例识别。后续实践进一步证实，该方法在雾的光学与微物理特性研究中仍具较高应用潜力[29]，且在特定区域(如希腊色萨利地区)的夜间云雾分离中被验证有效[80]。不过，双通道差值法的局限性也已被多项研究指出：其虽能有效识别大粒径云，却难以区分小粒径低云和大雾[28]；当云雾层高度低于100 m时，云层与大雾的区分仍存在技术瓶颈[30]；在东亚区域的应用中，低云与大雾的精准区分也仍是亟待解决的难题[31-32]。
值得注意的是，双通道差值法受白天太阳辐射干扰较大，主要适用于夜间海雾监测。为此，学者们针对白天监测需求发展了多种方法，如基于MODIS数据建立的单阈值法、多波段阈值法，以及多通道综合阈值法等，均为大雾的白天监测提供了新的技术途径[35-37]。
在黄海海雾的卫星遥感研究中，相关工作已取得系列进展：针对区域特性优化卫星通道组合(如MTSAT卫星的3.5~4.0 μm与10.3~11.3 μm、3.9 μm与10.8 μm组合)，有效提升了海雾识别精度[33-34]；利用MTSAT-2 JAMI卫星数据反演黄海海雾事件的光学厚度与雾滴有效半径时，因可见光波段校准改进，其结果优于MTSAT-1R JAMI数据[84]；结合地面探测分析雾与层云的垂向结构差异，提出的综合动态阈值算法，提升了春夏季近海海雾的探测精度[85]；借助GOCI数据构建多波段阈值法，依据光谱特征差异成功实现了陆地、海洋、中/高空云与海雾的区分[86]。
此外，基于卫星数据的统计与机制分析也积累了重要认识：对2007—2018年CALIPSO卫星数据的分析显示，黄海春夏季海雾平均雾顶高度为211 m(主要分布在100~400 m)，其中7月最高(260 m)，且影响黄海海雾的主要天气型为入海变性高压型和大陆低压低槽东移型[87]；通过对32次海雾个例的分析发现，冷暖平流与海面湍流冷却是黄海大气逆温层形成的关键因素[88]；基于1989—2008年卫星资料的研究则明确，黄海海雾多发于4—6月、罕见于8—11月，生消时覆盖区呈东传特征，春夏雾季中黄海中部与西朝鲜湾为多发区，且3—6月黄海中南部海雾日均概率为13%~19%、北部为11%~13%[89]。卫星遥感观测与预报的结合体现在实时监测-模型训练-结果验证全链条：其一，卫星反演的海雾覆盖区、雾顶高度等数据，可直接用于海雾实时预警；其二，长时间序列卫星数据为AI预报模型提供了海量训练样本；其三，卫星反演的光学厚度等参数可验证数值模式的模拟结果。
当前，黄海海雾遥感观测虽有较多进展，但仍面临三大挑战：(1)低云与海雾光谱特征相似，区分困难；(2)海雾微物理参数反演精度不足；(3)多源数据融合技术尚未成熟。为突破瓶颈，需加强海雾边界层和微物理化学特征的观测。实测的海雾边界层温湿风结构数据和雾滴谱数据可优化遥感算法，增强识别能力；直接测量液态含水量等参数可改进辐射传输模型，提升微物理参数的反演精度；融合观测数据、卫星遥感和数值模式数据，可构建更完善的海雾监测系统。
2.2 AI在海雾监测中的应用近年来，深度学习逐渐应用于海雾观测的研究[90-91]。凭借分层网络架构，深度学习方法可自动提取多尺度特征，从数据集中学习并理解特征间的相互关系。
目前，科研人员将卫星遥感与深度学习技术相结合，开展海雾智能识别研究，已取得较多进展。针对不同场景的海雾识别需求，学者们发展出多种融合方法：如基于Himawari-8卫星与星载激光雷达数据，通过提取亮温及纹理特征构建深度决策树模型，可实现夜间海雾的自动识别，该方法不仅识别精度高，且可解释性较好，能作为海雾识别的有效辅助工具[92]；同样基于Himawari-8卫星数据，通过条件生成对抗网络生成中红外通道云图，再结合可见光和远红外通道数据提出的注意力机制多尺度特征融合方法，显著提升了日间海雾的识别精度[93]；基于两级超像素的全卷积神经网络(superpixel-based fully convolutional network, SFCNet)海雾检测方法，通过全连接条件随机场(Fully Connected Conditional Random Field，简记为“DenseCRF”)对像素间相关性建模，可实现由上下文驱动的海雾检测[94]。针对特殊时段或区域的海雾识别，也有针对性技术突破：有研究[95]利用海雾时间高连续性特征，结合沿海浮标与岛屿多年观测数据创新提出的黎明时段雾区标签提取法，再融合FCN和CRF模型进行卫星检测，能有效识别低太阳高度角时的连续雾区，显著提升该时段海雾检测能力；结合CALIOP和MODIS数据构建深度神经网络反演北极云顶高度以识别海雾的方法，较传统方法将平均绝对误差降低1 774.28 m，检测精度提升显著[96]；通过关联标注的陆地雾数据与未标注的海雾数据实现海雾检测的无监督域适应方法，海雾识别准确率达99.17%，较传统方法高出3%[97]。
在黄海海雾监测领域，深度学习与卫星遥感的融合应用也成效显著：利用D-LinkNet模型处理Himawari-8卫星数据，可实现渤海和黄海海雾的检测，正确率达93.2%[98]；基于MODIS预训练模型，结合Himawari-8/AHI数据开展迁移学习开发的海雾探测算法，准确率达79%(虚警率为21%，检出率为76%)，性能优于非迁移学习模型，且已成功应用于2016年4月7—10日黄海一次持续日间海雾过程的监测[99]。
总体而言，目前AI在黄海海雾监测中的应用，大多侧重于将深度学习技术与卫星遥感数据相结合，而与海雾微物理特征参数的融合相对较少。实际上，若能将海雾微物理特征数据纳入考量，AI技术便能更精准地从海量观测数据中提取关键特征信息，进而实现对海雾的精细化监测。同时，借助AI算法对微物理特征数据进行融合处理，还能进一步提升监测数据的准确性和可靠性。因此，加强海雾的微物理特征观测，对于拓展AI在黄海海雾监测中的应用深度与广度，具有重要的意义。
3 微物理化学特征观测试验由目前的研究现状来看，定点观测设备在黄海海雾观测方面的应用仍存在较大的拓展空间。加强黄海海雾的定点观测，对于深入探究海雾的生消过程、构建更为精准的能见度反演算法以及提升海雾预报的精细化水平，具有重要的现实意义和科学价值。为此，青岛海洋气象研究院联合青岛市气象局和日照市气象局积极推进黄海海雾综合观测项目，该项目的黄海海雾观测业务站点布局位置如图 1所示，为后续的观测工作奠定了坚实的基础。通过这一项目的实施，有望进一步提升黄海海雾观测的精细化水平，为海雾研究和预报提供更为丰富的数据支持。
|
图 1 青岛、日照气象业务综合观测站点分布 Fig.1 Distribution map of comprehensive meteorological observing stations in Qingdao and Rizhao |
鉴于当前黄海海雾微物理化学特征观测研究严重不足，专门设计了海雾微物理化学特征观测试验。该试验聚焦于剖析海雾发生过程中气溶胶颗粒物的动态变化规律，为海雾机理研究与预报提供关键数据支撑。观测试验基地位于青岛市黄岛区滨海地带，周边为开阔环境，无高大障碍物影响，紧邻黄海，具体位置如图 2所示。
|
图 2 观测试验基地的位置及观测设备的空间分布示意图 Fig.2 Location of observation experiment base and spatial distribution of observation equipments a中色阶—海水深度，单位为m；b中①—空气动力学粒径谱仪，②—雾滴谱仪，③—扫描电迁移率粒径谱仪，④—黑炭仪，⑤—气体分析仪，⑥—云凝结核计数器，⑦—气溶胶质谱仪。 |
在2024年的观测试验中，记录到一次典型的海雾现象，如图 3所示。7月12日02：00—13：00，能见度低于1 km，06：00能见度降至最低，仅为44 m。雾滴数浓度在12日00：00—04：00低于3 cm-3，从04：10开始急剧增加，04：20—11：00超过50 cm-3，其中04：30—07：50甚至超过200 cm-3。随着雾滴数浓度的增加，气溶胶数浓度从04：20开始明显下降，同时能见度也显著降低。在海雾的成熟期和消退期，对10~500 nm气溶胶数浓度的清除作用持续存在，但效率逐渐降低。直到13：00，雾滴数浓度重新降至3 cm-3以下，能见度回升，海雾逐渐消散。总体来说，海雾发生对气溶胶数浓度有较为明显的清除作用。
|
图 3 2024年7月12日00：00—14：00能见度、雾滴数浓度及气溶胶粒径分布的时间序列 Fig.3 Time series of visibility, fog droplet number concentration and aerosol particle number size distribution from 00:00 to 14:00 BJT 12 July 2024 b中色阶—气溶胶数浓度，单位为cm-3。 |
在下一步的海雾微物理化学特征观测试验中，综合运用雾滴谱仪、空气动力学粒径谱仪(Aerodynamic Particle Sizer，APS)、扫描电迁移率粒径谱仪(Scanning Mobility Particle Sizer，SMPS)、云凝结核计数器(Cloud Condensation Nuclei Counter，CCNC)、气溶胶质谱仪(Aerosol Mass Spectrometer，AMS)以及黑炭仪，系统测量雾滴数浓度、液态含水量、雾滴有效直径、0.01~20 μm范围内气溶胶颗粒物数浓度及粒径分布、云凝结核数浓度、气溶胶化学组分以及黑炭气溶胶质量浓度。结合气象观测站采集的能见度、相对湿度、风速等数据，依据气象要素与雾微物理特征(雾滴数浓度、液态含水量等)的动态变化规律，识别海雾事件，并将海雾事件细分为生成期、成熟期和消退期。深入统计各阶段的雾滴数浓度、液态含水量、气溶胶数浓度(NCN)、云凝结核数浓度(NCCN)、活化率AR值(NCCN/NCN)、气溶胶粒径分布及化学组分等变量的变化特征，定量解析海雾不同发展阶段雾滴数浓度与NCN、NCCN之间的关系。
本试验旨在通过系统观测海雾生消过程中气溶胶颗粒物的数浓度谱分布特征、活化效率动态演变规律及化学组分转化过程，深入研究海雾不同发展阶段(生成期、成熟期、消散期)气溶胶微物理特征与化学性质的演变机制，为数值预报模式中的气溶胶-雾相互作用模块提供验证依据，同时为AI预报模型补充微物理特征变量。
4 小结与展望围绕黄海海雾观测，从定点观测、大面观测两个维度系统梳理进展，并开展了微物理化学特征观测试验。出发点源于黄海海雾高发但观测缺乏系统综合、气溶胶数据不足限制预报精度的现状；目的是通过梳理进展明确短板，并通过试验补充数据，为预报提供支撑。
在定点观测方面，边界层结构特征观测借助毫米波雷达、激光雷达等设备，明确了黄海海雾与低层大气逆温、高湿环境等因素密切相关，且不同海域海雾边界层结构存在差异；微物理化学特征观测虽起步较早，但黄海海雾的系统观测仍较匮乏，对海雾期间气溶胶变化及雾水化学特征的研究不足。
在大面观测方面，卫星遥感技术成为重要手段，双通道差值法、阈值法等多种方法被应用于海雾监测，在黄海海雾研究中也取得了如识别精度提升、海雾多发期与罕见期确定等成果，不过仍面临低云与海雾区分难等挑战；卫星遥感技术实现了大范围监测，为AI模型提供了训练样本，AI技术与卫星遥感结合在海雾智能识别上成效显著，但与海雾微物理特征参数融合较少。
微物理化学特征观测试验已开展相关工作，记录到典型海雾现象，发现海雾事件对气溶胶数浓度具有明显的清除作用，明确了下一步观测计划，旨在深入探究海雾不同阶段气溶胶的变化特征。
未来，黄海海雾研究需从多方面发力。在观测技术上，应加强岸基-海基-空基-天基立体协同观测，弥补当前观测手段的局限性，获取更全面、连续的海雾数据，为海雾机理研究和预报提供更坚实的数据支撑。在研究内容上，需强化黄海海雾微物理特征的系统观测，深入探究海雾期间气溶胶的动态变化规律及雾水化学特征，明确人为排放与海盐混合的影响。同时，推动AI技术与海雾微物理特征参数的深度融合，一方面用于优化数值模式的微物理参数，另一方面将其作为特征变量纳入AI模型，提升对海雾生消时间、能见度变化的预报精度。
| [1] |
王彬华. 海雾[M]. 北京: 海洋出版社, 1983.
|
| [2] |
李晓丽, 唐跃, 王雷, 等. 舟山海雾发生问题探讨[J]. 海洋预报, 2011, 28(1): 60-65. |
| [3] |
张苏平, 鲍献文. 近十年中国海雾研究进展[J]. 中国海洋大学学报(自然科学版), 2008, 38(3): 359-366. |
| [4] |
涂石飞, 韩利国, 徐峰, 等. 华南海雾研究进展[J]. 海洋气象学报, 2019, 39(4): 12-20. DOI:10.19513/j.cnki.issn2096-3599.2019.04.002 |
| [5] |
谭娟, 钱传海, 黄彬, 等. 我国海雾监测预报业务现状及未来展望[J]. 气象科技进展, 2024, 14(2): 17-23, 32. |
| [6] |
李子华. 中国近40年来雾的研究[J]. 气象学报, 2001, 59(5): 616-624. |
| [7] |
傅刚, 李鹏远, 张苏平, 等. 中国海雾研究简要回顾[J]. 气象科技进展, 2016, 6(2): 20-28. |
| [8] |
牛生杰, 陆春松, 吕晶晶, 等. 近年来中国雾研究进展[J]. 气象科技进展, 2016, 6(2): 6-19. |
| [9] |
刘光普, 黄思源, 梁莺, 等. 毫米波雷达在港口海雾观测和能见度反演中的应用[J]. 干旱气象, 2019, 37(6): 993-1004. |
| [10] |
冼锦洪. 应用于海雾监测的激光雷达的研制和能见度反演算法的研究[D]. 合肥: 中国科学技术大学, 2020.
|
| [11] |
徐静琦, 张正, 魏皓. 青岛海雾雾滴谱与含水量观测与分析[J]. 海洋湖沼通报, 1994(2): 174-178. |
| [12] |
杨中秋, 许绍祖, 耿骠. 舟山地区春季海雾的形成和微物理结构[J]. 海洋学报, 1989, 11(4): 431-438. |
| [13] |
黄辉军, 黄健, 毛伟康, 等. 茂名地区海雾含水量的演变特征及其与大气水平能见度的关系[J]. 海洋学报, 2010, 32(2): 40-53. |
| [14] |
PANT V, DESHPANDE C G, KAMRA A K. Changes in concentration and size distribution of aerosols during fog over the south Indian Ocean[J]. J Earth Syst Sci, 2010, 119(4): 479-487. DOI:10.1007/s12040-010-0032-7 |
| [15] |
徐峰, 牛生杰, 张羽, 等. 湛江东海岛春季海雾雾水化学特性分析[J]. 中国环境科学, 2011, 31(3): 353-360. |
| [16] |
ZHANG G H, BI X H, CHAN L Y, et al. Enhanced trimethylamine-containing particles during fog events detected by single particle aerosol mass spectrometry in urban Guangzhou, China[J]. Atmos Environ, 2012, 55: 121-126. DOI:10.1016/j.atmosenv.2012.03.038 |
| [17] |
胡利军, 冯凯, 杨豪, 等. 毫米波雷达在北仑港区海雾监测中的应用[J]. 气象科技, 2020, 48(2): 171-177. |
| [18] |
胡树贞, 王志成, 张雪芬, 等. 毫米波雷达海雾回波特征分析及能见度反演[J]. 气象, 2022, 48(10): 1270-1280. |
| [19] |
黄彬, 王皘, 陆雪, 等. 黄渤海一次持续性大雾过程的边界层特征及生消机理分析[J]. 气象, 2014, 40(11): 1324-1337. |
| [20] |
HUANG H J, LIU H N, HUANG J, et al. Atmospheric boundary layer structure and turbulence during sea fog on the Southern China coast[J]. Mon Wea Rev, 2015, 143(5): 1907-1923. DOI:10.1175/MWR-D-14-00207.1 |
| [21] |
黄健, 王斌, 周发琇, 等. 华南沿海暖海雾过程中的湍流热量交换特征[J]. 大气科学, 2010, 34(4): 715-725. |
| [22] |
郑凤琴, 罗小莉, 钟利华, 等. 北部湾地区海雾特点的初步分析[J]. 应用海洋学学报, 2021, 40(2): 324-331. |
| [23] |
张苏平, 任兆鹏. 下垫面热力作用对黄海春季海雾的影响: 观测与数值试验[J]. 气象学报, 2010, 68(4): 439-449. |
| [24] |
焦瀚, 沈辉, 衣立, 等. 一次北极地区低云转化为海雾的观测研究[J]. 中国海洋大学学报(自然科学版), 2024, 54(7): 12-21. |
| [25] |
宋美琪, 张苏平, 戴光耀. 一次重力波对黄海海雾发生、发展的影响研究[J]. 中国海洋大学学报(自然科学版), 2022, 52(6): 27-38. |
| [26] |
吕晶晶, 牛生杰, 张羽, 等. 湛江东海岛一次春季海雾的宏微观结构及边界层演变特征[J]. 气象学报, 2014, 72(2): 350-365. |
| [27] |
付双喜, 亓鹏, 常祎, 等. 祁连山中部一次层状云降水云微物理特征的飞机观测研究[J]. 干旱区研究, 2025, 42(2): 212-222. |
| [28] |
TURNER J, ALLAMA R J, MAINE D R. A case study of the detection of fog at night using channels 3 and 4 on the Advanced Very High Resolution Radiometer (AVHRR)[J]. Meteor Mag, 1986, 115(1370): 285-297. |
| [29] |
BENDIX J. A satellite-based climatology of fog and low-level stratus in Germany and adjacent areas[J]. Atmos Res, 2002, 64(1/2/3/4): 3-18. |
| [30] |
ELLROD G P. Advances in the detection and analysis of fog at night using GOES multispectral infrared imagery[J]. Wea Forecasting, 1995, 10(3): 606-619. DOI:10.1175/1520-0434(1995)010<0606:AITDAA>2.0.CO;2 |
| [31] |
刘希, 胡秀清. 基于MTSAT卫星的我国东部沿海雾区的自动识别[J]. 台湾海峡, 2008, 27(1): 112-117. |
| [32] |
周旋, 周晓中, 吴耀平, 等. 利用MODIS数据监测夜间雾[J]. 武汉大学学报(信息科学版), 2008, 33(6): 581-583. |
| [33] |
GAO S H, WU W, ZHU L L, et al. Detection of nighttime sea fog/stratus over the Huang-Hai Sea using MTSAT-1R IR data[J]. Acta Oceanol Sinica, 2009, 28(2): 23-35. |
| [34] |
HEO K Y, PARK S, HA K J, et al. Algorithm for sea fog monitoring with the use of information technologies[J]. Met Apps, 2014, 21(2): 350-359. DOI:10.1002/met.1344 |
| [35] |
马慧云, 李德仁, 刘良明, 等. 基于MODIS卫星数据的平流雾检测研究[J]. 武汉大学学报(信息科学版), 2005, 30(2): 143-145. |
| [36] |
BENDIX J, THIES B, CERMAK J, et al. Ground fog detection from space based on MODIS daytime data: a feasibility study[J]. Wea Forecasting, 2005, 20(6): 989-1005. DOI:10.1175/WAF886.1 |
| [37] |
陈林, 牛生杰, 仲凌志. MODIS监测雾的方法及分析[J]. 南京气象学院学报, 2006, 29(4): 448-454. |
| [38] |
GAO S H, LIN H, SHEN B, et al. A heavy sea fog event over the Yellow Sea in March 2005:analysis and numerical modeling[J]. Adv Atmos Sci, 2007, 24(1): 65-81. DOI:10.1007/s00376-007-0065-2 |
| [39] |
FU G, GUO J T, PENDERGRASS A, et al. An analysis and modeling study of a sea fog event over the Yellow and Bohai Seas[J]. J Ocean Univ China, 2008, 7(1): 27-34. DOI:10.1007/s11802-008-0027-z |
| [40] |
CHO Y K, KIM M O, KIM B C. Sea fog around the Korean Peninsula[J]. J Appl Meteor, 2000, 39(12): 2473-2479. DOI:10.1175/1520-0450(2000)039<2473:SFATKP>2.0.CO;2 |
| [41] |
周发琇, 王鑫, 鲍献文. 黄海春季海雾形成的气候特征[J]. 海洋学报, 2004, 26(3): 28-37. |
| [42] |
ZHANG S P, XIE S P, LIU Q Y, et al. Seasonal variations of Yellow Sea fog: observations and mechanisms[J]. J Climate, 2009, 22(24): 6758-6772. DOI:10.1175/2009JCLI2806.1 |
| [43] |
王鑫. 黄海海雾形成的气候特征以及能见度分析[D]. 青岛: 中国海洋大学, 2004.
|
| [44] |
张苏平. 黄海海雾季节变化特殊性形成机理的研究[D]. 青岛: 中国海洋大学, 2008.
|
| [45] |
HUANG H J, LIU H N, JIANG W M, et al. Characteristics of the boundary layer structure of sea fog on the coast of Southern China[J]. Adv Atmos Sci, 2011, 28(6): 1377-1389. DOI:10.1007/s00376-011-0191-8 |
| [46] |
史得道, 吴振玲, 罗凯, 等. 2015-04-28渤海海雾形成过程中的海气相互作用分析[J]. 热带气象学报, 2018, 34(3): 324-331. |
| [47] |
任兆鹏, 张苏平. 黄海夏季海雾的边界层结构特征及其与春季海雾的对比[J]. 中国海洋大学学报(自然科学版), 2011, 41(5): 23-30, 109. |
| [48] |
孙健翔, 黄辉军, 张苏平, 等. 海雾对沿海地区的影响程度初探: 2008年春季两次黄海海雾过程分析[J]. 海洋与湖沼, 2017, 48(3): 483-497. |
| [49] |
王菁茜. 对2005年春季黄渤海一次海雾的观测分析与数值模拟研究[D]. 青岛: 中国海洋大学, 2006.
|
| [50] |
张苏平, 刘飞, 孔扬. 一次春季黄海海雾和东海层云关系的研究[J]. 海洋与湖沼, 2014, 45(2): 341-352. |
| [51] |
黄玉生, 黄玉仁, 李子华, 等. 西双版纳冬季雾的微物理结构及演变过程[J]. 气象学报, 2000, 58(6): 715-725. |
| [52] |
邓雪娇, 吴兑, 史月琴, 等. 南岭山地浓雾的宏微观物理特征综合分析[J]. 热带气象学报, 2007, 23(5): 424-434. |
| [53] |
余杰, 舒志亮, 林彤, 等. 六盘山春季雾微物理特征分析[J]. 成都信息工程大学学报, 2023, 38(5): 595-601. |
| [54] |
刘霖蔚, 牛生杰, 刘端阳, 等. 南京冬季浓雾的演变特征及爆发性增强研究[J]. 大气科学学报, 2012, 35(1): 103-112. |
| [55] |
朱世珍, 张昭艺, 吴诗晓, 等. 安徽寿县两次浓雾生消过程中两个高度微物理机理分析[J]. 气象, 2023, 49(3): 327-339. |
| [56] |
王羽飞, 齐彦斌, 李倩, 等. 一次长白山夏季雾的宏微观特征[J]. 应用气象学报, 2022, 33(4): 442-453. |
| [57] |
王庆, 樊明月, 李季, 等. 济南冬季雾的微物理结构及其对能见度的影响[J]. 大气科学, 2021, 45(2): 333-354. |
| [58] |
王庆, 樊明月, 王健捷, 等. 济南冬季雾微物理结构特征[J]. 海洋气象学报, 2019, 39(3): 84-95. DOI:10.19513/j.cnki.issn2096-3599.2019.03.010 |
| [59] |
王庆, 李季, 樊明月, 等. 济南一次平流辐射雾的微物理结构及演变特征[J]. 气象, 2019, 45(9): 1299-1309. |
| [60] |
甄晓菊, 吴国明, 杨晓亮. 一次浓雾过程的观测分析[J]. 黑龙江气象, 2019, 36(2): 6-8, 22. |
| [61] |
杨连素. 青岛近海海雾微物理结构的初步观测[J]. 海洋科学, 1985, 9(4): 49-50. |
| [62] |
盛立芳, 梁卫芳, 屈文军, 等. 海雾过程中大气气溶胶谱变化及消光作用[J]. 中国海洋大学学报(自然科学版), 2011, 41(6): 1-8. |
| [63] |
MA C J, KASAHARA M, TOHNO S, et al. A replication technique for the collection of individual fog droplets and their chemical analysis using micro-PIXE[J]. Atmos Environ, 2003, 37(33): 4679-4686. DOI:10.1016/j.atmosenv.2003.07.003 |
| [64] |
赵春生, 彭大勇, 段英, 等. 海盐气溶胶和硫酸盐气溶胶在云微物理过程中的作用[J]. 应用气象学报, 2005, 16(4): 417-425. |
| [65] |
AIKAWA M, HIRAKI T, SUZUKI M, et al. Separate chemical characterizations of fog water, aerosol, and gas before, during, and after fog events near an industrialized area in Japan[J]. Atmos Environ, 2007, 41(9): 1950-1959. DOI:10.1016/j.atmosenv.2006.10.049 |
| [66] |
NIU S J, LU C S, YU H Y, et al. Fog research in China: an overview[J]. Adv Atmos Sci, 2010, 27(3): 639-662. DOI:10.1007/s00376-009-8174-8 |
| [67] |
SASAKAWA M, OOKI A, UEMATSU M. Aerosol size distribution during sea fog and its scavenge process of chemical substances over the northwestern North Pacific[J]. J Geophys Res, 2003, 108(D3): 2002JD002329. DOI:10.1029/2002JD002329 |
| [68] |
SASAKAWA M, UEMATSU M. Chemical composition of aerosol, sea fog, and rainwater in the marine boundary layer of the northwestern North Pacific and its marginal seas[J]. J Geophys Res, 2002, 107(D24): 4783. |
| [69] |
李子华, 彭中贵. 重庆市冬季雾的物理化学特性[J]. 气象学报, 1994, 52(4): 477-483. |
| [70] |
LU C S, NIU S J, TANG L L, et al. Chemical composition of fog water in Nanjing area of China and its related fog microphysics[J]. Atmos Res, 2010, 97(1/2): 47-69. |
| [71] |
李德, 陈明华, 邵德民. 上海雾天大气污染及雾水组分研究[J]. 上海环境科学, 1999, 18(3): 117-120. |
| [72] |
朱彬, 李子华, 黄建平, 等. 西双版纳城、郊雾水化学组成分析[J]. 环境科学学报, 2000, 20(3): 316-321. |
| [73] |
吴兑, 李菲, 邓雪娇, 等. 广州地区春季污染雾的化学特征分析[J]. 热带气象学报, 2008, 24(6): 569-575. |
| [74] |
胡春阳, 樊曙先, 王小龙, 等. 庐山2016年冬季三级分档雾水化学特征[J]. 气象学报, 2019, 77(4): 745-757. |
| [75] |
文彬, 银燕, 秦彦硕, 等. 2009年夏季黄山云雾水化学特征及来源分析[J]. 中国环境科学, 2012, 32(12): 2113-2122. |
| [76] |
徐峰, 韩利国, 吕晶晶, 等. 南海西北部一次海上海雾的微物理及化学特性分析[J]. 热带气象学报, 2019, 35(5): 596-603. |
| [77] |
COLLETT J L, BATOR A, SHERMAN D E, et al. The chemical composition of fogs and intercepted clouds in the United States[J]. Atmos Res, 2002, 64(1/2/3/4): 29-40. |
| [78] |
YUE Y Y, NIU S J, ZHAO L J, et al. The influences of macro- and microphysical characteristics of sea-fog on fog-water chemical composition[J]. Adv Atmos Sci, 2014, 31(3): 624-636. DOI:10.1007/s00376-013-3059-2 |
| [79] |
宋金明, 李鹏程, 詹滨秋. 青岛雾水中的氯离子[J]. 海洋环境科学, 1992, 11(4): 14-22. |
| [80] |
ANTHIS A I, CRACKNELL A P. Use of satellite images for fog detection (AVHRR) and forecast of fog dissipation (METEOSAT) over lowland Thessalia, Hellas[J]. Int J Remote Sens, 1999, 20(6): 1107-1124. DOI:10.1080/014311699212876 |
| [81] |
肖艳芳, 张杰, 崔廷伟, 等. 海雾卫星遥感监测研究进展[J]. 海洋科学, 2017, 41(12): 146-154. |
| [82] |
HUNT G E. Radiative properties of terrestial clouds at visible and infra-red thermal window wavelengths[J]. Quart J Roy Meteor Soc, 1973, 99(420): 346-369. |
| [83] |
EYRE J R, BROWNSCOMBE J L, ALLAM R J. Detection of fog at night using Advanced Very High Resolution Radiometer (AVHRR) imagery[J]. Meteor Mag, 1984, 113(1346): 266-271. |
| [84] |
YI L, THIES B, ZHANG S P, et al. Optical thickness and effective radius retrievals of low stratus and fog from MTSAT daytime data as a prerequisite for Yellow Sea fog detection[J]. Remote Sens, 2016, 8(1): 8. |
| [85] |
ZHANG S P, YI L. A comprehensive dynamic threshold algorithm for daytime sea fog retrieval over the Chinese adjacent seas[J]. Pure Appl Geophy, 2013, 170(11): 1931-1944. DOI:10.1007/s00024-013-0641-6 |
| [86] |
YUAN Y B, QIU Z F, SUN D Y, et al. Daytime sea fog retrieval based on GOCI data: a case study over the Yellow Sea[J]. Opt Express, 2016, 24(2): 787-801. DOI:10.1364/OE.24.000787 |
| [87] |
孙艺, 杨悦, 甄晴. CALIPSO卫星资料的春夏季黄海海雾高度特征分析[J]. 海洋预报, 2020(3): 54-61. |
| [88] |
杨悦, 高山红. 黄海海雾天气特征与逆温层成因分析[J]. 中国海洋大学学报(自然科学版), 2015, 45(6): 19-30. |
| [89] |
吴晓京, 李三妹, 廖蜜, 等. 基于20年卫星遥感资料的黄海、渤海海雾分布季节特征分析[J]. 海洋学报, 2015, 37(1): 63-72. |
| [90] |
SHIN D, KIM J H. A new application of unsupervised learning to nighttime sea fog detection[J]. Asia Pac J Atmos Sci, 2018, 54(4): 527-544. DOI:10.1007/s13143-018-0050-y |
| [91] |
KIM D, PARK M S, PARK Y J, et al. Geostationary Ocean Color Imager (GOCI) marine fog detection in combination with Himawari-8 based on the decision tree[J]. Remote Sens, 2020, 12(1): 149. DOI:10.3390/rs12010149 |
| [92] |
李涛, 金炜, 符冉迪, 等. 结合遥感卫星及深度神经决策树的夜间海雾识别[J]. 光电工程, 2022, 49(9): 220007. |
| [93] |
黄彦慧, 符冉迪, 方旭源, 等. 注意力机制下多尺度特征融合生成对抗的日间海雾识别[J]. 遥感技术与应用, 2025, 40(1): 258-264. |
| [94] |
HUANG Y X, WU M, GUO J, et al. A correlation context-driven method for sea fog detection in meteorological satellite imagery[J]. IEEE Geosci Remote Sens Lett, 2022, 19: 1-5. |
| [95] |
YI L, LI M Y, LIU S X, et al. Detection of dawn sea fog/low stratus using geostationary satellite imagery[J]. Remote Sens Environ, 2023, 294: 113622. DOI:10.1016/j.rse.2023.113622 |
| [96] |
陈标, 吴东. 基于CALIOP和MODIS的北极地区海雾检测研究[J]. 大气与环境光学学报, 2022, 17(2): 267-278. |
| [97] |
XU M Q, WU M, GUO J, et al. Sea fog detection based on unsupervised domain adaptation[J]. Chin J Aeronaut, 2022, 35(4): 415-425. DOI:10.1016/j.cja.2021.06.019 |
| [98] |
黄彬, 吴铭, 孙舒悦, 等. 基于深度学习的卫星多通道图像融合的海雾监测处理方法[J]. 气象科技, 2021, 49(6): 823-829, 850. |
| [99] |
朱春阳. 基于深度学习的遥感海雾探测算法研究[D]. 东营: 中国石油大学(华东), 2020.
|